基于GRU的加密货币价格趋势预测

发布时间：2020-12-20 03:28

　　由于区块链技术的迅速发展,加密货币的种类日趋增多,同时因为交易所十分分散,使得量化交易策略适用于价格传导存在滞后的市场环境中。预测加密货币的价格趋势能为投资者从事量化交易带来更多盈利机会。同时加密货币是实现数字资产流动的重要手段,数字经济的发展需要更多加密货币的支持。加密货币交易自身具有频度高,市场分散,波动性大以及不受时间和空间限制等特点。在传统预测方法中,未能有效的保留加密货币交易的这些特征,因而预测精度低且效果差。深度学习中的长短期记忆网络(LSTM)和门控循环单元(GRU)能够解决加密货币价格预测中的长期记忆问题,提高预测效果。本文将门控循环单元(GRU)应用到加密货币价格趋势预测中并选取交易量最大的比特币作为实验对象。首先对比特币的交易价格数据进行预处理,选取相应的指标作为特征输入。然后将循环神经网络(RNN)、长短期记忆网络(LSTM)以及GRU应用到构建比特币预测模型中,并将实验结果进行了对比。通过实验证明了GRU在解决高频分散不间断交易为特点的加密货币市场上的价格预测上面具有优势。对比实验结果,LSTM和GRU比RNN取得了更好的效果,而GRU模型在训练耗时上比LSTM... 

【文章来源】：湘潭大学湖南省

【文章页数】：44 页

【学位级别】：硕士

【部分图文】：

RNN网络基本结构

d procedure 长短期记忆网络(LSTM)本的循环神经网络(RNN)存在梯度爆炸和梯度消失问题，而长短期记忆网TM)可以解决 RNN 无法解决的梯度爆炸和梯度消失问题，可以处理 RNN理长距离的问题。环神经网络( )在隐藏层中仅存在状态 ，在短期输入中，状态 的反应，但不能将长期状态保留下来，在 中，增加了一个状态 ，使其变成网络模型长短期记忆网络 。开的 LSTM 示意图 2.2 所示：

图 2.3 LSTM 控制时间状态示意图STM 在正向计算过程中使用了门，门表示一层全连接层，在计算时向量，输出一个实数向量，其范围为 0 1。 2-30 式中， 是门的权重向量， 是偏置项。长短期记忆网络( )通过门来判断是否让信息传递下去，如果输出就不会传递下去任何信息，如果输出为 1，那么就将上一时刻的信息全去，通过输出的不同值来控制传递的信息是门的重要作用，也是长短期中非常重要的一环。在长短期记忆网络中，通过遗忘门和输入门来控制单元状态，当前时间信息是由前一时刻保留下来的，是通过遗忘门来控制的；单元状态中有是通过当前时间点的输入保留下来的，是通过输入门来控制的；然后长网络使用输出门来决定多少信息输出。遗忘门的计算公式为：

【参考文献】：
期刊论文
[1]GRU神经网络短期电力负荷预测研究[J]. 周莽,高僮,李晨光,姜辰龙.  科技创新与应用. 2018(33)
[2]GRU递归神经网络对股票收盘价的预测研究[J]. 黎镭,陈蔼祥,李伟书,梁伟琪,杨思桐.  计算机与现代化. 2018(11)
[3]运用BP神经网络构建比特币市场预测模型[J]. 李靖.  财会月刊. 2016(21)
[4]基于小波分析的比特币价格预测[J]. 梁秋,王凡彬,余龙秀,李强,吴冰洁.  内江科技. 2015(05)

硕士论文
[1]基于神经网络的股指期货价格预测研究与应用[D]. 胡文鹏.湖南大学 2018
[2]基于交通流量预测的车联网技术研究[D]. 郭靖彦.电子科技大学 2018
[3]基于深度学习的蛋白质残基相互作用预测[D]. 曹成远.苏州大学 2016
[4]比特币交易趋势预测的研究[D]. 艾青.北京邮电大学 2016



本文编号：2927122